El avance de la inteligencia artificial de vanguardia marca un hito histórico en este tramo de 2026. Por esta razón, la resolución de teoremas complejos que desafiaron a la ciencia durante décadas empieza a depender de modelos generativos de razonamiento. En concreto, la presentación de OpenAI Astra y el momento Deep Blue de las matemáticas evoca la emblemática victoria de la supercomputadora sobre Gari Kaspárov en 1997, trasladando ahora esa disrupción tecnológica desde el ajedrez hacia las ciencias exactas.
Por lo tanto, integrar la automatización en la investigación teórica transforma el método científico moderno. De este modo, analizamos el costo de estas demostraciones, la metodología de verificación utilizada y las reacciones de la comunidad académica.
Metodología y alcance de OpenAI Astra y el momento Deep Blue de las matemáticas
En primer lugar, la firma de investigación presentó una versión interna de su modelo Astra tras confirmar avances o soluciones definitivas en diez problemas matemáticos sin resolver desde hace al menos una década:
- Campos de investigación: Las demostraciones abarcan desde el empaquetamiento de esferas en alta dimensión hasta la criptografía basada en retículos.
- Análisis de costos: El costo computacional requerido para resolver los diez problemas se situó por debajo de los 2.000 dólares en tokens a precio equivalente de la API de GPT-5.6 Sol.
- Proceso de verificación Lean: El modelo generó los argumentos matemáticos, los cuales fueron convertidos por expertos humanos en manuscritos y formalizados en certificados Lean (software que verifica automáticamente la validez de una demostración). OpenAI publicó además el documento con el proceso completo de razonamiento.
- Resultado destacado: Sobresale la refutación de las cotas exponenciales —problema 21 de la teoría de Ramsey y problema 183 de Erdös—, hito destacado en redes por el matemático Thomas Bloom.
Ficha de Hitos Científicos de IA (2026):
- Modelo evaluado: Astra (versión interna de OpenAI).
- Problemas resueltos/avanzados: 10 problemas matemáticos históricos.
- Costo de procesamiento: Menos de 2.000 USD en tokens de API.
- Sistema de validación: Certificados formalizados en Lean y supervisión humana.
- Antecedentes en 2026: GPT-5.4 (resolución de un problema de Erdös en 80 min) y Fable 5 de Anthropic (conjetura casi centenaria).
- Competencia en seguridad: Mythos Preview de Anthropic (descubrimiento de fallas criptográficas con 100.000 USD de inversión).
Reacciones de la comunidad científica y debate de validación
En segundo lugar, aunque figuras destacadas del sector como Terence Tao colaboran estrechamente con la tecnología para encontrar soluciones, parte de la comunidad investigadora pide cautela. El matemático Bharath Ramsundar advirtió sobre la acumulación de resultados «quizás verdaderos», señalando la necesidad de un consenso humano riguroso antes de dar por válidos los descubrimientos.
Por otra parte, analistas como Ital Sher proponen que los laboratorios publiquen la lista completa de intentos fallidos para evaluar con precisión el porcentaje de éxito, mientras investigadoras como Jenny Lorraine Nielsen señalaron que al menos una de las demostraciones publicadas podría contener imprecisiones. Por consiguiente, los avances asociados a OpenAI Astra y el momento Deep Blue de las matemáticas abren una etapa de colaboración estrecha entre máquinas e investigadores. En resumen, una transformación de la investigación teórica en el marco de la competencia entre firmas como OpenAI y Anthropic.
Más noticias: Cinco incendios forestales movilizan a Bomberos de Quito en El Quinche
Fuente: xataka
